Hadoop 中的大数据技术：HDFS（1）
大家好！在为您带来精彩的技术干货之前，先给您推荐一个我精心运营的公众号[大数据深度洞察]。在这里，您将获取更多独家的技术分享、实用案例以及行业前沿资讯。
亲爱的读者们，当您准备开启这篇充满价值的技术文章之旅时，不妨先关注我的公众号[大数据深度洞察]。它是您在技术领域不断成长的好伙伴。
第1章 有关 HDFS 的概述
1.1 HDFS 的产出背景与定义
- HDFS 的产生缘由
随着数据规模的持续增大，单个操作系统无法容纳全部数据，于是数据被分配至更多由操作系统管理的磁盘中。然而，这种方式在管理和维护上存在不便，急切需要一套系统对多台机器上的文件予以管理，分布式文件管理系统便应运而生。HDFS 只是此类系统中的一种。 - HDFS 的定义阐释
HDFS（Hadoop Distributed File System），其作为一种文件系统，主要用于文件的存储，并借助目录树来对文件进行定位；再者，它具备分布式的特点，由众多服务器协同运作来实现其功能，在集群中服务器各自承担不同的角色。
HDFS 的应用场景适用于一次写入、多次读出的情形。一个文件在完成创建、写入和关闭操作后，通常无需再做更改。
1.2 HDFS 的优势与不足
| 分类 | 详细描述 |
|---|---|
| 优势 | - 高容错性通过数据冗余存储，即在多个节点上保存数据副本，当某个节点出现故障时，仍能从其他节点获取数据，确保数据的可用性和完整性。 - 高扩展性能够轻松地增加新的存储节点和计算节点，以适应不断增长的数据量和计算需求。 - 处理大规模数据高效能够高效地管理和处理 PB 级甚至更大规模的数据，适用于大数据场景。 - 成本效益高可以使用相对廉价的普通硬件构建集群，降低了硬件成本。 - 适合批处理对于大规模的批量数据处理任务，具有较高的性能和效率。 |
| 不足 | - 低延迟数据访问受限由于数据分布和架构设计，不适合对数据访问延迟要求非常高的实时性应用。 - 小文件存储问题大量小文件会导致 NameNode 内存消耗过大，影响系统性能和可扩展性。 - 写入性能相对较弱一次写入多次读取的模式，使得写入操作相对复杂，写入性能不如一些专门针对写入优化的系统。 - 数据一致性挑战在某些复杂的并发读写场景下，可能会面临数据一致性的挑战。 - 网络开销较大数据在节点之间的传输可能会产生较大的网络开销。 |
1.3 HDFS 的组成架构
| 组件 | 详细描述 |
|---|---|
| NameNode | - 是 HDFS 架构中的核心组件。 - 负责管理文件系统的命名空间，包括目录、文件和块的信息。 - 存储文件和目录的元数据，如文件的所有者、权限、创建时间、修改时间等。 - 记录每个文件所对应的数据块以及这些数据块所在的 DataNode 位置。 - 处理客户端的文件操作请求。 |
| DataNode | - 负责实际存储数据块。 - 按照 NameNode 的指令执行数据块的创建、删除和等操作。 - 定期向 NameNode 发送心跳信息和数据块报告，以告知自身的状态和所存储的数据块信息。 - 处理来自客户端的读/写数据请求。 |
| SecondaryNameNode | - 并非 NameNode 的热备节点。 - 主要协助 NameNode 进行元数据的合并和整理工作。 - 定期从 NameNode 下载编辑日志和 fsimage 文件，合并后再上传回 NameNode ，以缩短 NameNode 重启时的元数据加载时间。 - 减轻 NameNode 的工作负担，保障系统的稳定运行。 |
1.4 HDFS 文件的块大小（面试重点）
在 HDFS 中，文件会被分割为固定大小的块来进行存储，这一特性对于 HDFS 的性能和数据管理具有重要意义。
默认块大小
一般而言，HDFS 的默认块大小设定为 128MB。然而，需要注意的是，这个默认值并非是一成不变的，它可以根据实际情况进行灵活的调整。
块大小调整的灵活性
在实际的应用场景中，我们能够根据具体的需求对块大小进行修改。例如，如果处理的文件普遍较大，或者对数据的读写顺序性要求较高，可能会考虑增大块的大小；反之，如果文件大小差异较大，或者随机读写的情况较为频繁，可能会适当减小块大小。
较大块大小的优势
- 显著降低 NameNode 的内存消耗由于 NameNode 需要维护每个块的元数据信息，块数量越少，其内存开销也就越小。
- 大幅提升数据读写的效率特别是在顺序读取大文件时，能够有效减少磁盘的寻道时间，从而加快数据的传输速度。
较大块大小可能带来的问题
- 增加数据局部性不佳的风险当一个任务所需的数据分散在多个块中时，可能导致数据获取的延迟增加，影响处理的效率。
选择合适块大小的关键考虑因素
- 数据的访问模式是主要以顺序访问为主，还是随机访问更为常见。
- 数据的规模和类型文件的大小分布是否均匀，数据的类型（例如文本、图像、音频等）对块大小的要求也有所不同。
- 集群的硬件配置包括磁盘的性能、网络的带宽等。
- 应用的需求不同的应用对于数据处理的实时性、吞吐量等方面的要求各有差异。
综上所述，深入理解 HDFS 文件的块大小概念，并能够根据具体情况做出合理的选择和调整，对于充分发挥 HDFS 的性能优势、实现高效的数据管理和处理至关重要，也是在面试中展现对 HDFS 技术深入理解的关键要点之一。
第 2 章 HDFS 的 Shell 操作（开发重点）
2.1 基本语法
hadoop fs 具体命令 或者 hdfs dfs 具体命令，二者完全一致。
2.2 命令汇总
[lzl@hadoop12 hadoop-3.1.3]$ bin/hadoop fs
[-appendToFile <localsrc>... <dst>]
[-cat [-ignoreCrc] <src>...]
[-chgrp [-R] GROUP PATH...]
[-chmod [-R] <MODE[,MODE]... | OCTALMODE> PATH...]
[-chown [-R] [OWNER][:[GROUP]] PATH...]
[-copyFromLocal [-f] [-p] <localsrc>... <dst>]
[-copyToLocal [-p] [-ignoreCrc] [-crc] <src>... <localdst>]
[-count [-q] <path>...]
[-cp [-f] [-p] <src>... <dst>]
[-df [-h] [<path>...]]
[-du [-s] [-h] <path>...]
[-get [-p] [-ignoreCrc] [-crc] <src>... <localdst>]
[-getmerge [-nl] <src> <localdst>]
[-help [cmd...]]
[-ls [-d] [-h] [-R] [<path>...]]
[-mkdir [-p] <path>...]
[-moveFromLocal <localsrc>... <dst>]
[-moveToLocal <src> <localdst>]
[-mv <src>... <dst>]
[-put [-f] [-p] <localsrc>... <dst>]
[-rm [-f] [-r|-R] [-skipTrash] <src>...]
[-rmdir [--ignore-fail-on-non-empty] <dir>...]
<acl_spec> <path>]]
[-setrep [-R] [-w] <rep> <path>...]
[-stat [format] <path>...]
[-tail [-f] <file>]
[-test -[defsz] <path>]
[-text [-ignoreCrc] <src>...]
2.3 常用命令实操
2.3.1 准备工作
-
启动 Hadoop 集群（以方便后续的测试）
-
- [lzl@hadoop12 hadoop-3.1.3]$ sbin/start-dfs.sh - [lzl@hadoop13 hadoop-3.1.3]$ sbin/start-yarn.sh
-
-
使用
-help输出该命令的参数
-
[lzl@hadoop12 hadoop-3.1.3]$ hadoop fs -help rm
-
-
创建
/sanguo文件夹
-
[lzl@hadoop12 hadoop-3.1.3]$ hadoop fs -mkdir /sanguo
-
2.3.2 上传操作
-
使用
-moveFromLocal从本地剪切粘贴到 HDFS
-
[lzl@hadoop12 hadoop-3.1.3]$ vim shuguo.txt输入
shuguo -
[lzl@hadoop12 hadoop-3.1.3]$ hadoop fs -moveFromLocal ./shuguo.txt /sanguo
-
-
使用
-copyFromLocal从本地文件系统拷贝文件到 HDFS 路径
-
- [lzl@hadoop12 hadoop-3.1.3]$ vim weiguo.txt 输入 weiguo - [lzl@hadoop12 hadoop-3.1.3]$ hadoop fs -copyFromLocal weiguo.txt /sanguo
-
-
使用
-put与
-copyFromLocal等同，生产环境更倾向于使用
put-
[lzl@hadoop12 hadoop-3.1.3]$ vim wuguo.txt输入
wuguo -
[lzl@hadoop12 hadoop-3.1.3]$ hadoop fs -put./wuguo.txt /sanguo
-
-
使用
-appendToFile向已存在的文件末尾追加一个文件
-
[lzl@hadoop12 hadoop-3.1.3]$ vim liubei.txt输入
liubei -
[lzl@hadoop12 hadoop-3.1.3]$ hadoop fs -appendToFile liubei.txt /sanguo/shuguo.txt
-
2.3.3 下载操作
-
使用
-copyToLocal从 HDFS 拷贝到本地
-
[lzl@hadoop12 hadoop-3.1.3]$ hadoop fs -copyToLocal /sanguo/shuguo.txt./
-
-
使用
-get与
-copyToLocal等同，生产环境更习惯使用
get-
[lzl@hadoop12 hadoop-3.1.3]$ hadoop fs -get /sanguo/shuguo.txt./shuguo2.txt
-
2.3.4 HDFS 直接操作
-
使用
-ls显示目录信息
-
[lzl@hadoop12 hadoop-3.1.3]$ hadoop fs -ls /sanguo
-
-
使用
-cat显示文件内容
-
[lzl@hadoop12 hadoop-3.1.3]$ hadoop fs -cat /sanguo/shuguo.txt
-
-
使用
-chgrp、
-chmod、
-chown与 Linux 文件系统中的用法相同，用于修改文件所属权限
-
- [lzl@hadoop12 hadoop-3.1.3]$ hadoop fs -chmod 666 /sanguo/shuguo.txt - [lzl@hadoop12 hadoop-3.1.3]$ hadoop fs -chown lzl:lzl /sanguo/shuguo.txt
-
-
使用
-mkdir创建路径
-
[lzl@hadoop12 hadoop-3.1.3]$ hadoop fs -mkdir /jinguo
-
-
使用
-cp从 HDFS 的一个路径拷贝到 HDFS 的另一个路径
-
[lzl@hadoop12 hadoop-3.1.3]$ hadoop fs -cp /sanguo/shuguo.txt /jinguo
-
-
使用
-mv在 HDFS 目录中移动文件
-
- [lzl@hadoop12 hadoop-3.1.3]$ hadoop fs -mv /sanguo/wuguo.txt /jinguo - [lzl@hadoop12 hadoop-3.1.3]$ hadoop fs -mv /sanguo/weiguo.txt /jinguo
-
-
使用
-tail显示一个文件的末尾 1kb 数据
-
[lzl@hadoop12 hadoop-3.1.3]$ hadoop fs -tail /jinguo/shuguo.txt
-
-
使用
-rm删除文件或文件夹
-
[lzl@hadoop12 hadoop-3.1.3]$ hadoop fs -rm /sanguo/shuguo.txt
-
-
使用
-rm -r递归删除目录及目录中的内容
-
[lzl@hadoop12 hadoop-3.1.3]$ hadoop fs -rm -r /sanguo
-
-
使用
-du统计文件夹的大小信息
-
- [lzl@hadoop12 hadoop-3.1.3]$ hadoop fs -du -s -h /jinguo 27 81 /jinguo - [lzl@hadoop12 hadoop-3.1.3]$ hadoop fs -du -h /jinguo 14 42 /jinguo/shuguo.txt 7 21 /jinguo/weiguo.txt 6 18 /jinguo/wuguo.txt
-
说明 27 表示文件大小；81 表示 27*3 个副本；/jinguo 表示查看的目录
-
使用
-setrep设置 HDFS 中文件的副本数量
-
[lzl@hadoop12 hadoop-3.1.3]$ hadoop fs -setrep 10 /jinguo/shuguo.txt
-
这里设置的副本数只是记录在 NameNode 的元数据中，是否真的会有这么多副本，还得看 DataNode 的数量。因为目前只有 3 台设备，最多也就 3 个副本，只有节点数增加到 10 台时，副本数才能达到 10。
第 3 章 HDFS 的 API 操作
3.1 客户端环境准备
-
找到资料包路径下的 Windows 依赖文件夹，将
hadoop-3.1.0拷贝至非中文路径（例如d:\）。 -
配置
HADOOP_HOME环境变量。
-
配置
Path环境变量。
注意 ：倘若环境变量未生效，可以尝试重启电脑。
为验证 Hadoop 环境变量是否正常，双击 winutils.exe ，若出现如下错误，表明缺少微软运行库（正版系统常存在此问题）。自行百度下载微软运行库安装包，双击安装即可。（百度找不到，可扫描二维码关注公众号，回复下载微软运行库安装包）
在 IDEA 中创建一个 Maven 工程 HdfsClientDemo ，并导入相应的依赖坐标及添加日志。
xml
<dependencies>
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-client</artifactId>
<version>3.1.3</version>
</dependency>
<dependency>
<groupId>junit</groupId>
<artifactId>junit</artifactId>
<version>4.12</version>
</dependency>
<dependency>
<groupId>org.slf4j</groupId>
<artifactId>slf4j-log4j12</artifactId>
<version>1.7.30</version>
</dependency>
</dependencies>
在项目的 src/main/resources 目录下，新建一个文件，命名为“log4j.properties”，在文件中填入：
properties
log4j.rootLogger=INFO, stdout
log4j.appender.stdout=org.apache.log4j.ConsoleAppender
log4j.appender.stdout.layout=org.apache.log4j.PatternLayout
log4j.appender.stdout.layout.ConversionPattern=%d %p [%c] - %m%n
log4j.appender.logfile=org.apache.log4j.FileAppender
log4j.appender.logfile.File=target/spring.log
log4j.appender.logfile.layout=org.apache.log4j.PatternLayout
log4j.appender.logfile.layout.ConversionPattern=%d %p [%c] - %m%n
- 创建包名：
com.lzl.hdfs - 创建
HdfsClient类
public class HdfsClient {
@Test
public void testMkdirs() throws IOException, URISyntaxException, InterruptedException {
// 1 获取文件系统
Configuration configuration = new Configuration();
// FileSystem fs = FileSystem.get(new URI("hdfs://hadoop12:8020"), configuration);
FileSystem fs = FileSystem.get(new URI("hdfs://hadoop12:8020"), configuration,"lzl");
// 2 创建目录
fs.mkdirs(new Path("/xiyou/huaguoshan/"));
// 3 关闭资源
fs.close();
}
}
- 执行程序
客户端操作 HDFS 时，存在一个用户身份。默认情况下，HDFS 客户端 API 会采用 Windows 默认用户访问 HDFS ，可能会报权限异常错误。因此，访问 HDFS 时，务必配置用户。
org.apache.hadoop.security.AccessControlException: Permission denied: user=56576, access=WRITE, inode="/xiyou/huaguoshan":lzl:supergroup:drwxr-xr-x
3.2 HDFS 的 API 案例实操
3.2.1 HDFS 文件上传（测试参数优先级）
- 编写源代码
@Test
public void testCopyFromLocalFile() throws IOException, InterruptedException, URISyntaxException {
// 1 获取文件系统
Configuration configuration = new Configuration();
configuration.set("dfs.replication", "2");
FileSystem fs = FileSystem.get(new URI("hdfs://hadoop12:8020"), configuration, "lzl");
// 2 上传文件
fs.copyFromLocalFile(new Path("d:/sunwukong.txt"), new Path("/xiyou/huaguoshan"));
// 3 关闭资源
fs.close();
}
- 将
hdfs-site.xml拷贝到项目的resources资源目录下
xml
<?xml version="1.0" encoding="UTF-8"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
<configuration>
<property>
<name>dfs.replication</name>
<value>1</value>
</property>
</configuration>
- 参数优先级
参数优先级排序：（1）客户端代码中设置的值 ＞（2）ClassPath 下的用户自定义配置文件 ＞（3）服务器的自定义配置（xxx-site.xml ） ＞（4）服务器的默认配置（xxx-default.xml ）
3.2.2 HDFS 文件下载
@Test
public void testCopyToLocalFile() throws IOException, InterruptedException, URISyntaxException{
// 1 获取文件系统
Configuration configuration = new Configuration();
FileSystem fs = FileSystem.get(new URI("hdfs://hadoop12:8020"), configuration, "lzl");
// 2 执行下载操作
// boolean delSrc 指是否将原文件删除
// Path src 指要下载的文件路径
// Path dst 指将文件下载到的路径
// boolean useRawLocalFileSystem 是否开启文件校验
fs.copyToLocalFile(false, new Path("/xiyou/huaguoshan/sunwukong.txt"), new Path("d:/sunwukong2.txt"), true);
// 3 关闭资源
fs.close();
}
注意 ：若执行上述代码无法下载文件，可能是电脑缺少微软支持的运行库，需安装微软运行库。
3.2.3 HDFS 文件更名和移动
@Test
public void testRename() throws IOException, InterruptedException, URISyntaxException{
// 1 获取文件系统
Configuration configuration = new Configuration();
FileSystem fs = FileSystem.get(new URI("hdfs://hadoop12:8020"), configuration, "lzl");
// 2 修改文件名称
fs.rename(new Path("/xiyou/huaguoshan/sunwukong.txt"), new Path("/xiyou/huaguoshan/meihouwang.txt"));
// 3 关闭资源
fs.close();
}
3.2.4 HDFS 删除文件和目录
@Test
public void testDelete() throws IOException, InterruptedException, URISyntaxException{
// 1 获取文件系统
Configuration configuration = new Configuration();
FileSystem fs = FileSystem.get(new URI("hdfs://hadoop12:8020"), configuration, "lzl");
// 2 执行删除
fs.delete(new Path("/xiyou"), true);
// 3 关闭资源
fs.close();
}
3.2.5 HDFS 文件详情查看
查看文件名称、权限、长度、块信息
@Test
public void testListFiles() throws IOException, InterruptedException, URISyntaxException {
// 1 获取文件系统
Configuration configuration = new Configuration();
FileSystem fs = FileSystem.get(new URI("hdfs://hadoop12:8020"), configuration, "lzl");
// 2 获取文件详情
RemoteIterator<LocatedFileStatus> listFiles = fs.listFiles(new Path("/"), true);
while (listFiles.hasNext()) {
LocatedFileStatus fileStatus = listFiles.next();
System.out.println("========" + fileStatus.getPath() + "=========");
System.out.println(fileStatus.getPermission());
System.out.println(fileStatus.getOwner());
System.out.println(fileStatus.getGroup());
System.out.println(fileStatus.getLen());
System.out.println(fileStatus.getModificationTime());
System.out.println(fileStatus.getReplication());
System.out.println(fileStatus.getBlockSize());
System.out.println(fileStatus.getPath().getName());
// 获取块信息
BlockLocation[] blockLocations = fileStatus.getBlockLocations();
System.out.println(Arrays.toString(blockLocations));
}
// 3 关闭资源
fs.close();
}
3.2.6 HDFS 文件和文件夹判断
@Test
public void testListStatus() throws IOException, InterruptedException, URISyntaxException{
// 1 获取文件配置信息
Configuration configuration = new Configuration();
FileSystem fs = FileSystem.get(new URI("hdfs://hadoop12:8020"), configuration, "lzl");
// 2 判断是文件还是文件夹
FileStatus[] listStatus = fs.listStatus(new Path("/"));
for (FileStatus fileStatus : listStatus) {
// 如果是文件
if (fileStatus.isFile()) {
System.out.println("f:"+fileStatus.getPath().getName());
}else {
System.out.println("d:"+fileStatus.getPath().getName());
}
}
// 3 关闭资源
fs.close();
}
感谢您阅读完这篇文章，如果您觉得有所收获，别忘了关注我的公众号[大数据深度洞察]，更多精彩内容等您来探索！”
“希望本文能对您有所帮助，如果您还想获取更多类似的优质内容，欢迎关注我的公众号[大数据深度洞察]，让我们一起在技术的海洋中遨游！”
“如果您喜欢这篇文章的内容，期待在公众号[大数据深度洞察]中与您有更多的交流，那里有更多深度的技术文章和实用的技巧等着您！
